形式训练说认为迁移的发生是自动的

形式训练是深度学习领域的一项重要技术，主要的目的是减少过拟合现象，提高模型的泛化能力。在形式训练中，一个模型的训练数据会按照不同的比例拆分成训练集、验证集和测试集，然后利用训练集来训练模型，利用验证集来调整模型的超参数，最终使用测试集来评估模型的性能。

形式训练说认为迁移的发生是自动的

说到迁移学习，它是一种将已经训练好的模型迁移到新的问题上来提高新问题的训练效果的方法。一般来说，迁移学习可以分为三种类型：1）基于参数的迁移学习，2）基于数据的迁移学习和3）基于知识的迁移学习。而这三种迁移学习技术中，基于参数的迁移学习被认为是最为自动化的。

首先，从理论上讲，基于参数的迁移学习可以通过共享网络中的参数来同时解决源领域和目标领域之间的差异。因此，在源领域中训练好的模型在目标领域上可以有较好的性能表现。这意味着，甚至无需进行任何额外的训练或者微调即可将源领域中的模型应用到目标领域中，这也是为什么基于参数的迁移学习被认为是最为自动化的原因之一。

其次，基于参数的迁移学习还可以利用预训练的模型参数来加速目标领域模型的训练过程。因为预训练的模型权重通常已经具有较好的泛化能力，所以可以在少量目标领域样本上进行微调来训练目标领域模型。同时，这也维持了源领域信息的持续传递，使得源领域与目标领域之间的信息不会丢失。

另外，值得一提的是，基于参数的迁移学习还可以通过特殊的结构，如剪枝、预测层、共享层等来实现更为深入的知识蒸馏。这些特殊结构通常具有较好的自适应性和自动化性，能够在保证模型性能的同时显著减少模型参数量。

总之，基于参数的迁移学习被认为是最为自动化的迁移学习技术，它可以在源领域与目标领域之间轻松地传递信息，加速目标领域模型的训练速度，并实现更深入的知识蒸馏。因此，基于参数的迁移学习将成为未来深度学习领域发展的重要方向之一。